REDES NEURONALES

FORMACIN ACADEMICA
TEORA GENERAL DE LOS SISTEMAS

PRESENTADO POR:

JUAN CAMILO CASTRO ALONSO

SANTIAGO SARMIENTO PRIETO
JOSE ALEJANDRO REY URIBE
ALISON VANESSA BECERRA GMEZ

DOCENTE

DIEGO CASTILLO

CORPORACION IBEROAMERICANA DE ESTUDIOS CIES

PROGRAMA DIGITACIN Y SISTEMATIZACIN DE DATOS
2017
 HISTORIA

McCulloch y Pitts dio origen a los modelos conexionista definiendo formalmente la

neurona en 1943 como una maquina binaria con varias entradas y salidas.
Hebb, defini en 1949 dos conceptos muy importantes y fundamentales que
Han pesado en el campo de las redes neuronales, basndose en investigaciones
psicofisiolgicas:
El aprendizaje se localiza en las sinapsis o conexiones entre las neuronas.
La informacin se representan en el cerebro mediante un conjunto de neuronas
activas o inactivas.

Las hiptesis de Hebb, se sintetizan en la regla de aprendizaje del hebb, que sigue
siendo usada en los actuales modelos. Esta Regla nos dice que los cambios en
los pesos de las sinapsis se basan en la interaccin entre las neuronas pre y
postsinapsitcas.
La primera conferencia sobre IA en la cual se discuti sobre la capacidad de las
computadoras para simular el aprendizaje fue en 1956 en Dartmouth. A partir de
ah investigadores han desarrollado distintos tipos de redes neuronales que cito a
continuacin:
1959 Widrow Teora sobre la adaptacin neuronal y el Adaline (Adaptative Linear
Neuron) y el Madaline (Multiple Adaline). Es la primera aplicacin de las redes a
problemas reales: filtros adaptativos para eliminar ecos en las lneas telefnicas.
1962, Rosemblatt El Perceptrn es un identificador de patrones pticos binarios,
y salida binaria. Dio lugar a regla de aprendizaje delta, que permita emplear
seales continuas de entrada y salida.
1969, Minsky y Papert una seria crtica del Perceptrn que dada su naturaleza
lineal tenia bastantes limitaciones, provoc una cada en picado de las
investigaciones y una poca gris para las redes neuronales.
1977, Anderson Los Modelos de memorias asociativas. Investiga el
autoasociador lineal brain-state-in-a-box
Aos 80, Rumelhart, McClelland & Hinton crean el grupo PDP (Parallel
Distributed Processing). Como resultado de los trabajos de este grupo salieron los
manuales con ms influencia desde el trabajo descorazonador de Minsky y papera
1982, Hopfield elabora un modelo de red consistente en unidades de proceso
interconectadas que alcanzan mnimos energticos, aplicando los principios de
estabilidad desarrollados por Grossberg.
1984, Kohonen Mapas de Kohonen, Este investigador fines desarroll redes
basadas en aprendizaje competitivo, con una idea nueva basada en la biologa:
----Las unidades de procesos fsicamente adyacentes aprendern a representar
patrones de entrada similares, as las neuronas de salida adyacentes identifican
patrones similares.
1987, Grossberg El modelo ART (Adaptative Resonance Theory), estudia los
principios de la estabilidad de redes neuronales.
 1986, Hinton & Sejnowski, la mquina de Boltzmann, una red que usa la
probabilidad para encontrar mnimos totales.
1987, Kosko los modelos BAM (Bi-directional Associative Memory.)

En la actualidad gracias a diversos grupos de investigacin repartidos por

universidades de todo el mundo, las redes neuronales han alcanzado una
madurez muy aceptable y se usan en todo tipo de aplicaciones entre las que
podemos citar:

Reconocimiento de patrones, voz y vdeo, Compresin de imgenes.

Estudio y prediccin de sucesos muy complejos (ej. La bolsa)
Aplicaciones de apoyo a la medicina., todo tipo de aplicaciones que
necesiten el anlisis de grandes cantidades de datos, etc.

DEFINICION
Las redes neuronales (tambin conocidos como sistemas conexionistas) son un
enfoque computacional, que se basa en una gran coleccin de unidades neurales
(tambin conocido como neuronas artificiales), para modelar libremente la forma
en que un cerebro biolgico resuelve problemas con grandes grupos de neuronas
biolgicas conectados por los axones. Cada unidad neuronal est conectada con
otras, y los enlaces se pueden aplicar en su efecto sobre el estado de activacin
de unidades neuronales conectadas. Cada individuo de la unidad neuronal puede
tener una funcin de suma, que combina conjuntamente los valores de todas las
entradas. Puede haber una funcin umbral o funcin de limitacin en cada
conexin y en la propia unidad: de tal manera que la seal debe superar el lmite
antes de la propagacin a otras neuronas. Estos sistemas son auto-aprendizaje y
formacin, en lugar de programar de forma explcita, sobresalen en las zonas
donde la solucin o funcin de deteccin es difcil de expresar en un programa de
ordenador tradicional. Las redes neuronales suelen consistir en varias capas o un
diseo de cubo, y la ruta de la seal atraviesa de adelante hacia atrs.
Propagacin hacia atrs es donde se utiliza la estimulacin hacia adelante o en el
"frente" para restablecer los pesos de las unidades neuronales y esto a veces se
realiza en combinacin con una formacin en la que se conoce el resultado
correcto. Las redes modernas son un poco ms libres en el sentido de que fluye
en trminos de estimulacin e inhibicin con conexiones que interactan de una
manera mucho ms catica y compleja. Redes neuronales dinmicas son lo ms
avanzadas en que pueden dinmicamente, formar nuevas conexiones e incluso
nuevas unidades neuronales. El objetivo de la red neuronal es resolver los
problemas de la misma manera que el cerebro humano, aunque varias redes
neuronales son ms abstractas. Proyectos de redes neurales modernas suelen
trabajar con unos pocos miles a unos pocos millones de unidades neuronales y
millones de conexiones, que sigue siendo varios rdenes de magnitud menos
complejo que el cerebro humano y ms cercano a la potencia de clculo de un
gusano.

Cmo funciona la red neuronal?

Para Eduardo Montoya, las redes neuronales pueden ser aplicadas en cualquier
tipo de problema, en el cual la solucin sea una combinacin de variables. Son
herramientas que aprenden por repeticin. De acuerdo con Hernn Carvajal la
red neuronal artificial es una herramienta para la ingeniera geotcnica.

La red neuronal es un cdigo de computador con la capacidad de relacionar

los parmetros e informacin estudiada. Para que la red encuentre una
solucin a un determinado problema primero debe ser entrenada. Este
proceso consiste en mostrarle a la red cules son las variables que mi problema
involucra y cul sera la respuesta, de manera que al cambiar alguna variable el
programa calcule la nueva respuesta, explica Eduardo Montoya. Este modelo
necesita de cuatro variables para dar a conocer el factor de seguridad de
deslizamiento que tiene la ladera.

La primera es la profundidad a la cual se desea calcular el factor de seguridad,

esta variable es un indicador del tamao del deslizamiento esperado que en este
modelo llega hasta cuatro metros lineales. La segunda variable que se introduce al
modelo es la inclinacin promedio de la ladera pendiente de la montaa que
se desea analizar, ya que esta controla fuertemente el grado de estabilidad del
terreno. Luego se agrega a la red neuronal la intensidad de la lluvia esperada en
milmetros por hora y para finalizar, la duracin de la lluvia. Otras informaciones
relacionadas con los parmetros de resistencia y comportamiento hidrulico del
suelo son consideradas en etapas preliminares de preparacin del modelo
neuronal.

Con esta informacin el modelo entrenado dar el valor del factor de seguridad
clsico: cuando el valor es menor que 1 la ladera es inestable y cuando es mayor
que 1 es estable. El geotecnista siempre quiere que esos valores sean muy
superiores a 1, de tal forma que la situacin de seguridad pueda
garantizarse, comenta Hernn Carvajal.

La verificacin de los resultados es una etapa a la que se quisiera llegar, pero es

la parte final de cualquier modelo que se emplea, asegura Edwin Garca. Segn
los profesores la investigacin requiere un estudio detallado de las respuestas
mecnicas del suelo de la zona con diferentes lluvias y la informacin de un
deslizamiento para que se compruebe el factor de seguridad que arroja el modelo
de la tesis de Eduardo.
Para modelos de redes neuronales como este se necesita realizar simplificaciones
de la fsica del fenmeno, como asumir la intensidad constante de las lluvias que
en realidad es variable, la tipologa del terreno se supone recta cuando es
ondulada; respecto al suelo, es muy variable, pero asumimos que no hay
cambios de permeabilidad, en profundidad, ni vegetacin y asumimos que
es una zona inhabitada, en este caso, cont el profesor Garca.

Este tipo de metodologas no resuelve los problemas de estabilidad pero da una

idea del comportamiento del terreno en respuesta a un fenmeno de lluvia;
adems este modelo trabaja con datos fciles de obtener como la topografa y la
posibilidad de variar los escenarios que se pueden presentar en el lugar. Las
redes neuronales artificiales no son la solucin perfecta para todos los problemas,
pero con un buen entrenamiento podemos llegar a resultados con errores
despreciables, dice Eduardo.

Los profesores consideran que cuando el modelo est funcionando puede ser
aplicado a cualquier tamao de rea si se tienen los datos correspondientes a la
zona, puesto que entre ms detallada la informacin, ms preciso ser el
resultado del factor de seguridad. Los ejercicios computacionales iniciales se
realizaron en Brasilia. Por su parte, el municipio de Medelln cuenta con la
informacin cartogrfica y topogrfica adecuada para aplicarse en este modelo.

Paralelamente a esta investigacin los profesores quieren recoger datos y

continuar trabajando con el rea Metropolitana en la ejecucin de un proyecto de
investigacin sobre el anlisis de amenaza por movimientos de masa; una
actualizacin de un proyecto realizado en 2009 donde tambin se utilizaron redes
neuronales artificiales y cuyos resultados son utilizados por el SIATA.

Redes Neuronales de tipo Biolgico

El cerebro humano contiene aproximadamente 12 billones de clulas nerviosas o

neuronas. Cada neurona tiene de 5600 a 60000 conexiones dendrticas
provenientes de otras neuronas mientras que en el sistema nervioso hay 1014
sinapsis; teniendo cada neurona ms de 1000 a la entrada y a la salida. Es
importante destacar que aunque el tiempo de conmutacin de la neurona es casi
un milln de veces menor que las computadoras actuales, ellas tienen una
conectividad miles de veces superior que las actuales supercomputadoras.

Neurona Artificial

Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como

unidades. Su trabajo es simple y nico, y consiste en recibir las entradas de las
clulas vecinas y calcular un valor de salida, el cual es enviado a todas las clulas
restantes.
Estructuras de conexin

Una red neuronal se determina por la neurona y la matriz de pesos. El

comportamiento de la red depende en gran medida del comportamiento de la
matriz de pesos. Existen tres tipos de capas de neuronas: la de entrada, la de
salida y las ocultas. Entre dos capas de neuronas existe una red de pesos de
conexin, que puede ser de los siguientes tipos:

- Conexin hacia delante: es la de red de Conexin en la cual, los datos de las

neuronas de una capa inferior son propagados hacia las neuronas de la capa
superior.

- Conexin hacia atrs: esta Conexin realiza la operacin inversa a la Conexin

hacia delante, es decir, los datos de las neuronas de una capa superior son
llevados a otra de capa inferior.

- Conexin lateral: un ejemplo tpico de este tipo de Conexin es el ganador toma

todo, que cumple un papel importante en la eleccin del ganador.

- Conexin de retardo: es la conexin en la cual se le incorporan unos elementos

de retardo para implementar modelos dinmicos y temporales, es decir, modelos
que precisa memoria.
Campos de aplicacin

Finanzas

Prediccin de ndices

Deteccin de fraudes

Riesgo crediticio, clasificacin

Prediccin de la rentabilidad de acciones

Negocios

Marketing

Venta cruzada

Campanas de venta

Tratamientos de texto y proceso de formas

Reconocimiento de caracteres impresos mecnicamente.

Reconocimiento de grficos

Reconocimiento de caracteres escritos a mano.

 Reconocimiento de escritura manual cursiva.

Alimentacin

Anlisis de olor i aroma

Perfilamiento de clientes en funcin de la compra

Desarrollo de productos

Control de calidad

Energa

Prediccin del consumo elctrico

Distribucin recursos hidrulicos para la produccin elctrica

Prediccin consumo de gas ciudad

Industria manufacturera

Control de procesos

Control de calidad

Control de robots

Medicina y salud

Ayuda al diagnstico

Anlisis de imgenes

Desarrollo de medicamentos

Distribucin de recursos

Ciencia e Ingeniera

Anlisis de datos i clasificacin

Ingeniera Qumica

Ingeniera Elctrica
 Climatologa

Transportes i comunicaciones

Optimizacin de rutas

Optimizacin en la distribucin de recursos

CASOS DE LA VIDA REAL

Redes neuronales que pueden prever deslizamientos

Investigadores de las universidades de Antioquia, Nacional de Colombia y de
Brasilia crean un modelo computacional para calcular el factor de seguridad
de una montaa en Medelln y as poder predecir la posibilidad de
deslizamientos.
El sector conocido como Pajarito, una zona bastante estudiada en la ciudad de
Medelln por ser propensa a los deslizamientos, es tema de estudio de la
Universidad de Brasilia y la Universidad de Antioquia, gracias a un convenio de
cooperacin acadmica que permite que profesores del alma mter asesoren
estudiantes de doctorado de esta institucin.

El Sistema de Alerta Temprana de Medelln y el Valle de Aburr, SIATA, comparti

con los investigadores informacin meteorolgica, principalmente datos sobre la
lluvia del sector, mediciones de la permeabilidad del suelo y levantamientos
topogrficos, que se necesitan para el modelo en el que est trabajando desde
hace dos aos y al cual le falta aproximadamente el mismo tiempo para terminar.

Hernn Carvajal, profesor de la Universidad de Brasilia y de la Universidad

Nacional de Colombia, quien junto a Edwin Garca Aristizbal, profesor de la
Escuela Ambiental de la Universidad de Antioquia, asesoran el trabajo de Eduardo
Montoya, estudiante del doctorado en Geotencia de la universidad brasilera y
egresado de la Universidad Nacional. Lo que Eduardo pretende hacer es tratar de
predecir el lugar donde puede ocurrir un deslizamiento cuando el usuario del
programa tenga conocimiento bsico de la lluvia y el suelo, dice el profesor
Hernn Carvajal.

Para lograrlo se requieren resolver problemas relacionados con la estabilidad

mecnica del suelo, es decir, su grado de susceptibilidad a la ocurrencia de
deslizamientos, tema importante en la ingeniera civil y especficamente en la
geotecnia. Con este modelo se pretende calcular, por ejemplo, lo que puede
pasar si se presenta una lluvia de corta duracin y gran intensidad, y de esta
manera disear planes de seguridad y contingencia en un lugar especfico,
con el uso de las redes neuronales artificiales.

EMAGISTER CUM LAUDE

FUNDACI CIM-UPC

Posgrado en Tecnologas de Control Industrial

Barcelona
Duracin: 105 Horas (4 meses)
Total de Crditos: 15
Costo: 2.950 Euros $ 9.300.000 cop

EUROINNOVA FORMACIN

Mster en Inteligencia Artificial para Programadores + Titulacin

Universitaria
Barcelona
Virtual
Duracin: 660 Horas (12 meses)
Costo: 750 Euros - $ 2.364.588 cop

INESEM BUSSINESS SCHOOL

Mster en Inteligencia Artificial para Programadores + Titulacin

Universitaria
Barcelona
Virtual
Duracin: 660 Horas (12 meses)
Costo: 900 Euros - $ 2.837.506 cop

UNIVERSIDAD DE VALENCIA/FUNDACIN UNIVERSIDAD-EMPRESA ADEIT

Diploma de Especializacin en Parkinson y Alzheimer

Barcelona
Virtual
Duracin: 9 meses
Costo: 300 Euros - $ 945.835 cop

UNIVERSIDAD CES

Neurologa Clnica
Medelln, Colombia
Presencial
Duracin: 4 Aos
Costo: 2.340 Euros - $ 7.377.515 Cop

Conclusiones

Las Redes Neuronales Artificiales basadas en los sistemas nerviosos biolgicos

reproducen al menos el funcionamiento del cerebro humano, sea en hardware o
software, El aprendizaje de sistemas neuronales directas tiene un proceso
mediante el empleo del algoritmo realizando el ajuste de pesos entre las capas de
la red. La construccin de las redes neuronales artificiales hace uso de
metodologas de desarrollo de software. Las redes neuronales artificiales tienen un
amplio campo de aplicaciones donde se requiera la solucin a problemas, desde
actividades de investigacin hasta aplicaciones comerciales e industriales.